依 OCR 取得 PDF 文字

從 PDF 檔案取得文字。

指令可用性: IBM RPA SaaS 及 IBM RPA 內部部署

說明

使用 OCR 從 PDF 檔案取得文字。 剖析演算法會使用錨點文字作為參照，並根據相符的錨點文字所在的位置，從某個位置傳回文字。

Script 語法

extractPdfText --page(Numeric) --language(String) [--searchregion(Rectangle)] --anchor(String) --anchorprovider(Nullable<OpticalCharacterRecognitionProvider>) [--googlevisionclientsecret(String)] --comparison(OcrStringComparison) --fuzzyalgorithm(Nullable<FuzzyStringComparisonAlgorithms>) --tolerance(Nullable<FuzzyStringComparisonTolerance>) --manualTolerance(Numeric) --segmentation(StringSegmentation) [--anchorhighcontrast(Boolean)] --targetregion(Rectangle) --targetprovider(Nullable<OpticalCharacterRecognitionProvider>) [--targethighcontrast(Boolean)] --file(Pdf) (Image)=anchor (Boolean)=success (Image)=image (String)=text (Rectangle)=bounds

相依關係

IBM RPA Studio 具有 Helper 工具，可用來設定稱為擷取 PDF 文字的指令的參數。 您可以在工具標籤上找到它。

輸入參數

下表顯示此指令中可用的輸入參數清單。 在表格中，當您在 IBM RPA Studio的 Script 模式及其 Designer 模式對等標籤中工作時，可以看到參數名稱。

設計程式模式標籤 Script 模式名稱 必要 接受的變數類型 說明
頁面 page Required Number 要剖析的頁碼。
語言 language Required Text, Culture 剖析期間要考量的語言。

如需可用的語言，請參閱 支援的語言。
搜尋區域 searchregion Optional Rectangle 剖析演算法應該在其中搜尋錨點文字的區域。
錨點 anchor Required Text 要用作錨點的文字。
錨點 OCR 提供者 anchorprovider Required OpticalCharacterRecognitionProvider 要使用的 OCR 提供者。

請參閱 anchorprovider 參數選項。
API 參數 googlevisionclientsecret Optional Text 包含 API 參數之 JSON 檔案的絕對路徑。 如需 JSON 格式的詳細資料，請參閱 Google Cloud Vision™外部鏈結 文件。
比較 comparison Required OcrStringComparison 比較類型與錨點文字。

請參閱 comparison 參數選項。
模糊演算法 fuzzyalgorithm Only when comparison is ApproximatelyEquals FuzzyStringComparisonAlgorithms 比較字串時要使用的模糊演算法。

如需詳細資料，請參閱 fuzzyalgorithm 參數選項。
允差 tolerance Only when comparison is ApproximatelyEquals FuzzyStringComparisonTolerance 要在模糊演算法中使用的容錯層次。

請參閱 tolerance 參數選項。
容錯值 manualTolerance Only when tolerance is Manual Number 介於 0 與 100 之間的容錯百分比，其中 100 表示完全相符。
區段 segmentation Required StringSegmentation 要搜尋的文字類型。

請參閱 segmentation 參數選項。
加強錨點 OCR 的對比 anchorhighcontrast Optional Boolean 啟用以加強 PDF 對比。
文字擷取區域 targetregion Required Rectangle 要使用 OCR 剖析文字的區域。 此區域相對於錨點文字所在的位置。
擷取 OCR 提供者 targetprovider Required OpticalCharacterRecognitionProvider 取得目標區域中的文字時要使用的 OCR 提供者。

如需詳細資料，請參閱 targetprovider 參數選項。
加強文字擷取 OCR 的對比 targethighcontrast Optional Boolean 啟用以加強 OCR 對照來剖析要取得的文字。
PDF file Required PDF 要取得文字的 PDF 檔案。

anchorprovider 參數選項

下表顯示 anchorprovider 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱 說明
Google Google Google Tesseract™ OCR 提供者。
Google Cloud Vision GoogleVision Google Cloud Vision™ OCR 提供者。
Abbyy Abbyy Abbyy™

comparison 參數選項

下表顯示 comparison 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱 說明
大約等於 ApproximatelyEquals 考量容錯層次，檢查兩個字串是否相似。
開頭為 Begins_With 檢查字串是否以子字串開頭。
包含 Contains 檢查字串是否包含子字串。
結尾為 Ends_With 檢查字串是否以子字串結尾。
等於 Equal_To 檢查字串是否等於另一個字串。
符合 Matches 檢查字串是否符合另一個字串。 這會使用正規表示式。

fuzzyalgorithm 參數選項

下表顯示 fuzzyalgorithm 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱
Dice 係數 DiceCoefficient
Hamming 距離 HammingDistance
Jaccard 距離 JaccardDistance
Jaro 距離 JaroDistance
Jaro Winkler 距離 JaroWinklerDistance
Levenshtein 距離 LevenshteinDistance
最長一般子序列 LongestCommonSubsequence
最長一般子字串 LongestCommonSubstring
重疊係數 OverlapCoefficient
Ratcliff Obershelp 相似性 RatcliffObershelpSimilarity
Sorensen Dice 距離 SorensenDiceDistance
Tanimoto 係數 TanimotoCoefficient

tolerance 參數選項

下表顯示 tolerance 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱 說明
手動 Manual 如果兩個字串至少有 X% 相等，則會將它們評估為大約相等。 X 是使用者在 manualTolerance 中定義的值（介於 0 和 100 之間），其中 100 表示字串完全相等。
一般 Normal 如果兩個字串至少有 50% 相等，則會將它們評估為大約相等。
強 Strong 如果兩個字串至少有 75% 相等，則會將它們評估為大約相等。
弱 Weak 如果兩個字串至少有 25% 相等，則會將它們評估為大約相等。

segmentation 參數選項

下表顯示 segmentation 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱 說明
詞組 Phrase 搜尋詞組。
Word Word 搜尋 aa 單字。

targetprovider 參數選項

下表顯示 targetprovider 輸入參數可用的選項。 此表格顯示在 Script 模式下以及在 Designer 模式對等標籤下工作時可用的選項。

設計程式模式標籤 Script 模式名稱 說明
Google Google Google Tesseract™
Google Cloud Vision GoogleVision Google Cloud Vision™
Abbyy Abbyy Abbyy™

輸出參數

設計程式模式標籤 Script 模式名稱 接受的變數類型 說明
錨點 anchor Image 在包含錨點文字的原始檔頁面中找到的影像。
順利完成 success Boolean 如果找到文字，則為 True；否則為 False。
映像檔 image Image 包含目標文字的影像。
文字 text Text 從文字擷取區域傳回的目標文字。
範圍 bounds Rectangle 在 PDF 中找到文字的區域。

範例

下列範例顯示動作中的 extractPdfText 指令。

defVar --name pdfFile --type Pdf
defVar --name getText --type String
// Enter a pdf file on this command.
pdfOpen --file "file.pdf" pdfFile=value
// Use the helper selection tool to use this command.
extractPdfText --page 1 --language en-US --searchregion "171,273,134,89" --anchor Bill --anchorprovider "Google" --comparison "Equal_To" --segmentation "Word" --targetregion "-23,-37,716,404" --targetprovider "Google" --file ${pdfFile} getText=text
logMessage --message "${getText}" --type "Info"
//Get the text from a PDF file and display it in the console.

限制

與 Google Cloud Vision™ 和 Google Tesseract™相比，ABBYY ® 的運作方式不同。它以不同方式劃分文字元件，並以不同順序取得元件。